CN112819095B - 特征点匹配方法、装置、智能终端及计算机可读存储介质 - Google Patents

特征点匹配方法、装置、智能终端及计算机可读存储介质 Download PDF

Info

Publication number
CN112819095B
CN112819095B CN202110216657.1A CN202110216657A CN112819095B CN 112819095 B CN112819095 B CN 112819095B CN 202110216657 A CN202110216657 A CN 202110216657A CN 112819095 B CN112819095 B CN 112819095B
Authority
CN
China
Prior art keywords
matching
point
matched
image
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110216657.1A
Other languages
English (en)
Other versions
CN112819095A (zh
Inventor
姜守坤
刘富
侯涛
康冰
刘云
王柯
苗岩
赵宇锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN202110216657.1A priority Critical patent/CN112819095B/zh
Publication of CN112819095A publication Critical patent/CN112819095A/zh
Application granted granted Critical
Publication of CN112819095B publication Critical patent/CN112819095B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Abstract

本发明公开了一种特征点匹配方法、装置、智能终端及计算机可读存储介质，其中，上述特征点匹配方法包括：获取模板图像和待匹配图像；基于上述模板图像和上述待匹配图像，通过特征点提取算法提取特征点；通过特征点匹配算法对上述特征点进行匹配，获取匹配点对，其中，每个上述匹配点对包括一个模板特征点和一个待匹配特征点；基于上述匹配点对对应的目标夹角差以及预设的容错夹角差阈值对上述匹配点对进行筛选，消除误匹配点对，获取目标匹配点对；输出上述目标匹配点对。本发明方案有利于提升特征点匹配的精度。

Description

特征点匹配方法、装置、智能终端及计算机可读存储介质
技术领域
本发明涉及生物特征识别技术领域，尤其涉及的是一种特征点匹配方法、装置、智能终端及计算机可读存储介质。
背景技术
生物特征即生物固有的生理或行为特征，如指纹、掌纹、虹膜或人脸等。生物特征有一定的唯一性和稳定性，因此适合应用在身份认证等场景中，例如，可以利用手部图像进行身份鉴定。在此过程中，为了表征身份信息，需要提取图像中的特征点。
现有技术中，通常检测并提取模板图像和待匹配图像中的特征点，对特征点进行匹配，获取匹配点对，从而根据匹配点进行身份鉴定。现有技术的问题在于，对特征点进行匹配的过程中可能存在误匹配的情况，影响特征点匹配的精度，从而影响身份鉴定的结果。
因此，现有技术还有待改进和发展。
发明内容
本发明的主要目的在于提供一种特征点匹配方法、装置、智能终端及计算机可读存储介质，旨在解决现有技术中对特征点进行匹配的过程中可能存在误匹配的情况，不利于提升特征点匹配的精度的问题。
为了实现上述目的，本发明第一方面提供一种特征点匹配方法，其中，上述方法包括：
获取模板图像和待匹配图像；
基于上述模板图像和上述待匹配图像，通过特征点提取算法提取特征点；
通过特征点匹配算法对上述特征点进行匹配，获取匹配点对，其中，每个上述匹配点对包括一个模板特征点和一个待匹配特征点；
基于上述匹配点对对应的目标夹角差以及预设的容错夹角差阈值对上述匹配点对进行筛选，消除误匹配点对，获取目标匹配点对；
输出上述目标匹配点对。
可选的，上述基于上述模板图像和上述待匹配图像，通过特征点提取算法提取特征点，包括：
获取增强参数，基于上述增强参数，通过限制对比度自适应直方图均衡化算法分别对上述模板图像和待匹配图像进行增强处理，获取增强模板图像和增强待匹配图像；
基于上述增强模板图像和增强待匹配图像，通过特征点提取算法提取特征点。
可选的，上述获取增强参数，基于上述增强参数，通过限制对比度自适应直方图均衡化算法分别对上述模板图像和待匹配图像进行增强处理，获取增强模板图像和增强待匹配图像，包括：
获取n组增强参数，其中，n为不小于2的整数；
基于上述n组增强参数，通过限制对比度自适应直方图均衡化算法分别对上述模板图像和待匹配图像进行增强处理，分别获得n幅与上述模板图像对应的增强图像和n幅与上述待匹配图像对应的增强图像；
将每幅与上述模板图像对应的增强图像作为一层图像，获取包含n个分层的增强模板图像；
将每幅与上述待匹配图像对应的增强图像作为一层图像，获取包含n个分层的增强待匹配图像。
可选的，上述基于上述增强模板图像和增强待匹配图像，通过特征点提取算法提取特征点，包括：
基于上述包含n个分层的增强模板图像和上述包含n个分层的增强待匹配图像，通过SIFT特征点提取算法分别提取获得各层的特征点。
可选的，上述通过特征点匹配算法对上述特征点进行匹配，获取匹配点对，包括：
通过特征点匹配算法分别对上述增强模板图像和上述增强待匹配图像各层的特征点进行匹配，获取各层的匹配点对。
可选的，上述基于上述匹配点对对应的目标夹角差以及预设的容错夹角差阈值对上述匹配点对进行筛选，消除误匹配点对，获取目标匹配点对，包括：
对上述匹配点对进行分组；
计算每组中模板特征点的坐标的中心点，获取模板目标点，计算每组中待匹配特征点的坐标的中心点，获取待匹配目标点；
基于上述模板目标点和上述待匹配目标点计算获取各上述匹配点对的目标夹角差；
将上述目标夹角差大于或等于预设的容错夹角差阈值的匹配点对作为误匹配点对并消除，将上述目标夹角差小于预设的容错夹角差阈值的匹配点对作为目标匹配点对。
可选的，上述基于上述模板目标点和上述待匹配目标点计算获取各上述匹配点对的目标夹角差，包括：
对于各上述匹配点对，分别计算上述匹配点对的模板特征点与任意两个上述模板目标点的夹角，计算上述匹配点对的待匹配特征点与对应的两个上述待匹配目标点的夹角，计算两个夹角的差的绝对值，作为上述目标夹角差。
本发明第二方面提供一种特征点匹配装置，其中，上述装置包括：
图像获取模块，用于获取模板图像和待匹配图像；
特征点提取模块，用于基于上述模板图像和上述待匹配图像，通过特征点提取算法提取特征点；
特征点匹配模块，用于通过特征点匹配算法对上述特征点进行匹配，获取匹配点对，其中，每个上述匹配点对包括一个模板特征点和一个待匹配特征点；
匹配点对筛选模块，用于基于上述匹配点对对应的目标夹角差以及预设的容错夹角差阈值对上述匹配点对进行筛选，消除误匹配点对，获取目标匹配点对；
输出模块，用于输出上述目标匹配点对。
本发明第三方面提供一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的特征点匹配程序，上述特征点匹配程序被上述处理器执行时实现任意一项上述特征点匹配方法的步骤。
本发明第四方面提供一种计算机可读存储介质，上述计算机可读存储介质上存储有特征点匹配程序，上述特征点匹配程序被处理器执行时实现任意一项上述特征点匹配方法的步骤。
由上可见，本发明方案获取模板图像和待匹配图像；基于上述模板图像和上述待匹配图像，通过特征点提取算法提取特征点；通过特征点匹配算法对上述特征点进行匹配，获取匹配点对，其中，每个上述匹配点对包括一个模板特征点和一个待匹配特征点；基于上述匹配点对对应的目标夹角差以及预设的容错夹角差阈值对上述匹配点对进行筛选，消除误匹配点对，获取目标匹配点对；输出上述目标匹配点对。与现有技术相比，本发明方案在对特征点进行匹配并获取匹配点对后，还基于匹配点对对应的目标夹角差以及预设的容错夹角差阈值对上述匹配点对进行筛选，消除误匹配点对，获取正确匹配的目标匹配点对，有利于提升特征点匹配的精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种特征点匹配方法的流程示意图；
图2是本发明实施例图1中步骤S200的具体流程示意图；
图3是本发明实施例图2中步骤S201的具体流程示意图；
图4是本发明实施例图1中步骤S400的具体流程示意图；
图5是本发明实施例提供的一种具体的特征点匹配流程示意图；
图6是本发明实施例提供的一种匹配点对示意图；
图7是本发明实施例提供的一种特征点匹配装置的结构示意图；
图8是本发明实施例提供的一种智能终端的内部结构原理框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似的，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合本发明实施例的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
在当代社会，随着科学技术的进步，生物特征识别受到越来越多的关注。生物特征即生物固有的生理或行为特征，如指纹、掌纹、虹膜或人脸等。生物特征有一定的唯一性和稳定性，因此适合应用在身份认证等场景中，例如，可以利用手部图像进行身份鉴定。在此过程中，为了表征身份信息，需要提取图像中的特征点。
现有技术中，通常检测并提取模板图像和待匹配图像中的特征点，对特征点进行匹配，获取匹配点对，从而根据匹配点进行身份鉴定。然而现有技术中，手部图像中检测到的特征点数量较少。且由于检测到的特征点数量有限，能够匹配的特征点更少，可能会出现误匹配的情况，影响特征点匹配的精度，从而影响身份鉴定的结果。因此，需要为用户提供一种精度更高的特征点匹配方法。
为了解决现有技术的问题，本发明实施例提供一种特征点匹配方法，在本发明实施例中，获取模板图像和待匹配图像；基于上述模板图像和上述待匹配图像，通过特征点提取算法提取特征点；通过特征点匹配算法对上述特征点进行匹配，获取匹配点对，其中，每个上述匹配点对包括一个模板特征点和一个待匹配特征点；基于上述匹配点对对应的目标夹角差以及预设的容错夹角差阈值对上述匹配点对进行筛选，消除误匹配点对，获取目标匹配点对；输出上述目标匹配点对。与现有技术相比，本发明方案在对特征点进行匹配并获取匹配点对后，还基于匹配点对对应的目标夹角差以及预设的容错夹角差阈值对上述匹配点对进行筛选，消除误匹配点对，获取正确匹配的目标匹配点对，有利于提升特征点匹配的精度。
示例性方法
如图1所示，本发明实施例提供一种特征点匹配方法，具体的，上述方法包括如下步骤：
步骤S100，获取模板图像和待匹配图像。
其中，上述模板图像和待匹配图像为用于进行特征点匹配的图像。本实施例中，上述模板图像和待匹配为包含生物特征信息，用于进行生物身份认证的图像，例如用户的手部图像。具体的，上述模板图像为预先设定的包含对应用户身份信息的图像，上述待匹配图像为获取的需要与模板图像进行特征点识别以确认用户身份信息的图像。
步骤S200，基于上述模板图像和上述待匹配图像，通过特征点提取算法提取特征点。
可选的，可以通过SIFT特征点提取算法，分别提取上述模板图像和上述待匹配图像中的SIFT特征点。具体的，提取获得的特征点对应的信息包括特征点尺度、方向和位置坐标。
步骤S300，通过特征点匹配算法对上述特征点进行匹配，获取匹配点对，其中，每个上述匹配点对包括一个模板特征点和一个待匹配特征点。
可选的，可以通过快速最近邻搜索算法(特征点匹配算法)对上述特征点进行粗匹配。其中，上述模板特征点为位于模板图像中的特征点，上述待匹配特征点为位于待匹配图像中的特征点，每个匹配点对由对应匹配的一个位于模板图像中的特征点和一个位于待匹配图像中的特征点构成。
步骤S400，基于上述匹配点对对应的目标夹角差以及预设的容错夹角差阈值对上述匹配点对进行筛选，消除误匹配点对，获取目标匹配点对。
其中，上述匹配点对对应的目标夹角差为上述匹配点对中，模板特征点与对应的模板目标点之间的夹角减去待匹配特征点与对应的待匹配目标点之间的夹角后的绝对值。其中，上述模板目标点为与模板图像对应的用于计算夹角的目标点，上述待匹配目标点为与待匹配图像对应的用于计算夹角的目标点，可以根据各匹配点对计算获得，也可以预先设置，在此不做具体限定。上述预设的容错夹角差阈值为预先设置的夹角差临界值，可以根据实际需求进行设置和调整，在此不做具体限定。
步骤S500，输出上述目标匹配点对。
由上可见，本发明实施例提供的特征点匹配方法获取模板图像和待匹配图像；基于上述模板图像和上述待匹配图像，通过特征点提取算法提取特征点；通过特征点匹配算法对上述特征点进行匹配，获取匹配点对，其中，每个上述匹配点对包括一个模板特征点和一个待匹配特征点；基于上述匹配点对对应的目标夹角差以及预设的容错夹角差阈值对上述匹配点对进行筛选，消除误匹配点对，获取目标匹配点对；输出上述目标匹配点对。与现有技术相比，本发明方案在对特征点进行匹配并获取匹配点对后，还基于匹配点对对应的目标夹角差以及预设的容错夹角差阈值对上述匹配点对进行筛选，消除误匹配点对，获取正确匹配的目标匹配点对，有利于提升特征点匹配的精度。
具体的，本实施例中，如图2所示，上述步骤S200包括：
步骤S201，获取增强参数，基于上述增强参数，通过限制对比度自适应直方图均衡化算法分别对上述模板图像和待匹配图像进行增强处理，获取增强模板图像和增强待匹配图像。
步骤S202，基于上述增强模板图像和增强待匹配图像，通过特征点提取算法提取特征点。
单独的一副模板图像和待匹配图像中可以检测提取的特征点数目较少，从而不利于进行特征点匹配，也不利于根据匹配结果判断用户身份(匹配点对过少，用户身份的判断结果准确性不高)。例如，当模板图像和待匹配图像是手部图像时，根据现有的特征点提取算法，可提取的特征点数目较少，能够匹配的特征点更少，同时也会存在误匹配的情况，严重影响匹配的准确度和鲁棒性。因此，可以通过限制对比度自适应直方图均衡化算法分别对上述模板图像和待匹配图像进行增强处理，以提高可提取且可用于进行匹配的特征点的数目。
具体的，本实施例中，如图3所示，上述步骤S201包括：
步骤S2011，获取n组增强参数，其中，n为不小于2的整数。
步骤S2012，基于上述n组增强参数，通过限制对比度自适应直方图均衡化算法分别对上述模板图像和待匹配图像进行增强处理，分别获得n幅与上述模板图像对应的增强图像和n幅与上述待匹配图像对应的增强图像。
步骤S2013，将每幅与上述模板图像对应的增强图像作为一层图像，获取包含n个分层的增强模板图像。
步骤S2014，将每幅与上述待匹配图像对应的增强图像作为一层图像，获取包含n个分层的增强待匹配图像。
其中，上述n组增强参数为n组限制对比度自适应直方图均衡化算法的参数，可以预先设置，也可以通过用户输入等方式获取，在此不做具体限定。限制对比度自适应直方图均衡化算法在增强图像的对比度的同时可以抑制噪声，基于n组增强参数可以分别将上述模板图像和待匹配图像进行增强处理，分别获得n幅与上述模板图像对应的增强图像和n幅与上述待匹配图像对应的增强图像，从而获得包含n个分层的增强模板图像和增强待匹配图像，提供更多可以提取和匹配的特征点。其中，对于相对应的每一层(如第i层)，其使用的增强参数也是相对应的，因此可以对于每一层进行特征点匹配。
具体的，本实施例中，上述步骤S202包括：基于上述包含n个分层的增强模板图像和上述包含n个分层的增强待匹配图像，通过SIFT特征点提取算法分别提取获得各层的特征点。从而提取获得更多的特征点，以提高特征点匹配结果的鲁棒性。同时，基于每层提取特征点，以便后续分别对每层进行特征点匹配。
进一步的，本实施例中，上述步骤S300包括：通过特征点匹配算法分别对上述增强模板图像和上述增强待匹配图像各层的特征点进行匹配，获取各层的匹配点对。如此，对每一层的特征点分别进行匹配，提高匹配点对的鲁棒性。
具体的，本实施例中，如图4所示，上述步骤S400包括：
步骤S401，对上述匹配点对进行分组。
步骤S402，计算每组中模板特征点的坐标的中心点，获取模板目标点，计算每组中待匹配特征点的坐标的中心点，获取待匹配目标点。
步骤S403，基于上述模板目标点和上述待匹配目标点计算获取各上述匹配点对的目标夹角差。
步骤S404，将上述目标夹角差大于或等于预设的容错夹角差阈值的匹配点对作为误匹配点对并消除，将上述目标夹角差小于预设的容错夹角差阈值的匹配点对作为目标匹配点对。
其中，上述目标夹角差为上述匹配点对中，模板特征点与对应的模板目标点之间的夹角减去待匹配特征点与对应的待匹配目标点之间的夹角后的绝对值。具体的，上述对匹配点对进行分组的数目可以根据实际需求设定和调整，例如预先设置分组参数r，从而将匹配点对分为r组，分别获取r个模板目标点和r个待匹配目标点。
具体的，本实施例中，上述步骤S403包括：对于各上述匹配点对，分别计算上述匹配点对的模板特征点与任意两个上述模板目标点的夹角，计算上述匹配点对的待匹配特征点与对应的两个上述待匹配目标点的夹角，计算两个夹角的差的绝对值，作为上述目标夹角差。具体的，对于某一个匹配点对，计算该匹配点对的模板特征点与上述r个模板目标点中任意两个模板目标点的夹角，计算该匹配点对的待匹配特征点与上述r个待匹配目标点中对应的两个待匹配目标点的夹角，计算两个夹角差的绝对值，作为一个目标夹角差。可选的，计算过程中，以对应的模板目标点或待匹配目标点作为夹角的顶点。当对于任意两个模板目标点及对应的待匹配目标点，都有目标夹角差小于预设的容错夹角差阈值时，认为该匹配点对是正确的匹配点对，作为目标匹配点，反之，则认为该匹配点对是误匹配点对，需要消除，以提高特征点匹配的准确性和鲁棒性。
可选的，还可以结合Sampson距离对匹配点对进行判断。具体的，计算该匹配点对中模板特征点和待匹配特征点的Sampson距离。当对应的Sampson距离小于预设的距离阈值，且对于任意两个模板目标点及对应的待匹配目标点，都有目标夹角差小于预设的容错夹角差阈值时，认为该匹配点对是正确的匹配点对，作为目标匹配点，反之，则认为该匹配点对是误匹配点对，需要消除。其中，上述预设的距离阈值为预先设置的Sampson距离的临界值，可以根据实际需求进行设置和调整，在此不做具体限定。如此，结合Sampson距离和目标夹角差对误匹配点对进行消除，可同时消除位置变化明显或距离变化较大的误匹配点对，有效提高特征点匹配的准确性和鲁棒性。
图5是本发明实施例提供的一种具体的特征点匹配流程示意图，如图5所示，在一种具体应用场景中，为了降低计算难度，可以将消除误匹配点的过程分成几次循环步骤来进行，不必一次计算过多的数据。具体的，如图5所示，先进行参数设定，具体的，上述参数包括最大迭代次数MaxN，容错夹角差阈值angT，距离阈值disT，n组限制对比度自适应直方图均衡化算法的参数(增强参数)以及当前循环次数loop，其中，初始化loop为0。获取模板图像和待匹配图像，基于n组不同的参数通过限制对比度自适应直方图均衡化算法对上述两幅图像分别进行增强处理，各得到n幅增强图像，分别记为im11,im12,…,im1n和im21,im22,…,im2n，将每幅增强图像作为一层图像，获取增强模板图像和增强待匹配图像，分别记为I1和I2，即I1和I2分别包含n个分层。使用SIFT特征点提取算法分别从I1和I2中提取特征点(包括特征点尺度、方向和位置坐标)。其中，I1和I2每个分层对应的特征点集分别为P11,P12,…,P1n和P21,P22,…,P2n，各点集中特征点的数目分别为N11,N12,…,N1n和N21,N22,…,N2n。使用快速最近邻搜索算法(特征点匹配算法)对每层特征点分别进行粗匹配，得到第i层的匹配点对
Figure BDA0002954022520000111
和
Figure BDA0002954022520000121
及其坐标
Figure BDA0002954022520000122
和
Figure BDA0002954022520000123
X＝(x,y)T，i＝1,2,…,n。其中，
Figure BDA0002954022520000124
和
Figure BDA0002954022520000125
分别为相对应的第i层的模板特征点和待匹配特征点的集合，
Figure BDA0002954022520000126
和
Figure BDA0002954022520000127
分别为相对应的第i层的模板特征点和待匹配特征点的坐标，X＝(x,y)T为
Figure BDA0002954022520000128
和
Figure BDA0002954022520000129
中具体的点的坐标表示形式。具体的，获取每层的匹配点对后，将每层的匹配点对按对应的匹配关系合成匹配点对集合，从而对匹配点对集合中的匹配点对进行筛选，消除误匹配点对。可选的，进行MaxN次迭代来消除误匹配点对。具体的，判断当前循环次数loop是否大于最大迭代次数MaxN，当loop不大于MaxN时，在上述匹配点对中随机选择h个匹配点对，计算其中任意j个特征点对的目标夹角差。其中，h和j为预先设置的计算点对数目，h为大于或等于8的整数，j为不小于2且小于或等于h的整数。判断上述j个匹配点对的目标夹角差中是否存在大于或等于容错夹角差阈值angT的目标夹角差，当存在时，认为该组匹配点对(h个匹配点对)都为误匹配点对，当前循环次数loop加1并返回进入下一次循环。如此，可以少计算量，提高筛选速度。本实施例中，取上述h为8，j为4，随机从匹配点对中选择8对，其中模板特征点的坐标为Pi(x,y),i＝1,2,…,8，对应的待匹配特征点的坐标为Pi‘(x,y),i＝1,2,…,8。如图5所示，当上述4个匹配点对的目标夹角差都小于容错夹角差阈值angT时，分别根据8个匹配点对中的8个模板特征点和8个待匹配特征点计算各自的基础矩阵M，并基于对应的基础矩阵M计算各个特征点对应的Sampson距离，其中，上述基础矩阵体现出图像的旋转角度。将上述8个匹配点对随机分为r组，r为预先设置的分组数目，可以根据实际需求进行设置和调整，本实施例中设为3。将8个匹配点对随机分为3组，计算每组中模板特征点的坐标的中心点，获取3个模板目标点
Figure BDA00029540225200001210
和
Figure BDA00029540225200001211
计算每组中待匹配特征点的坐标的中心点，获取3个待匹配目标点
Figure BDA00029540225200001212
和
Figure BDA00029540225200001213
计算上述8个匹配点对的目标夹角差，具体的，对于每一个匹配点对，分别计算其模板特征点与
Figure BDA00029540225200001214
和
Figure BDA00029540225200001215
之间的夹角，计算其待匹配特征点与
Figure BDA00029540225200001216
Figure BDA0002954022520000131
和
Figure BDA0002954022520000132
之间的夹角，将对应的夹角的差的绝对值作为上述目标夹角差。将Sampson距离小于距离阈值，且目标夹角差小于容错夹角阈值的匹配点对记录为目标匹配点对(即正确的匹配点对)，然后将当前循环次数loop自加1，返回并进入下一次循环计算，如此，便可在每一次循环中消除误匹配点对，仅获取正确的匹配点对。当loop大于MaxN时，输出目标点对。具体的，输出目标点对时可以输出目标点对的坐标索引和目标点对数量。
本发明实施例提供的上述特征点匹配方法能够实现图像的局部匹配，例如局部遮挡图像匹配，局部图像与整体图像的匹配等。该方法通过增加图像层数从而增加特征点数量，进而增加有效匹配点对的数量，最终达到提高局部图像匹配的鲁棒性的目的。此外，由于采用分层策略，每层的特征点单独进行粗匹配，避免了在同一层中增加特征点导致后续误匹配点对增多的问题。单一使用Sampson距离条件进行误匹配点对消除会将距离小但是相对位置变化明显的错误匹配点对当作正确匹配点从而降低匹配的准确性，所以本方法中同时使用Sampson距离条件和角度条件消除位置变化明显和距离较大的误匹配点对，可以提高目标点对的有效性和鲁棒性。
为了进一步对本发明实施例的方案进行说明，本发明实施例还基于一种具体应用场景对上述特征点匹配方法进行说明。图6是本发明实施例提供的一种匹配点对示意图，其中，A为增强模板图像，B为增强待匹配图像，虚线表示点对匹配关系，即a和a'为一匹配点对。本实施例中以图6中所示的5对特征点为例进行具体说明。本实施例中，容错夹角差阈值angT设置为60，距离阈值disT设置为1，假设a、b、c三点分别为3个模板目标点
Figure BDA0002954022520000133
和
Figure BDA0002954022520000134
a'、b'、c'三点分别为3个待匹配目标点
Figure BDA0002954022520000135
和
Figure BDA0002954022520000136
且假设a(a')、b(b')、c(c')为正确的匹配点对，只需消除d(d')和e(e')中的误匹配点对。且假设上述d(d')和e(e')都满足对应的Sampson距离小于距离阈值disT，只需根据目标夹角差进行判断。
对于匹配点对d(d')，计算d与a、b、c三点中任意两点的夹角，计算d'与a'、b'、c'三点中任意两点的夹角，然后计算对应的夹角的差的绝对值，作为目标夹角差，计算过程中，d和d'不作为顶点。图6是本发明实施例提供的一种夹角示意图，匹配点对d(d')的具体夹角计算信息如下表所示：
Figure BDA0002954022520000141
由上表可知，对于匹配点对d(d')，存在大于容错夹角差阈值angT的目标夹角差，因此该匹配点对为误匹配点对，应该被剔除。
对于匹配点对e(e')，计算e与a、b、c三点中任意两点的夹角，计算e'与a'、b'、c'三点中任意两点的夹角，然后计算对应的夹角的差的绝对值，作为目标夹角差，计算过程中，e和e'不作为顶点。匹配点对d(d')的具体夹角计算信息如下表所示：
Figure BDA0002954022520000142
由上表可知，对于匹配点对d(d')，不存在大于或等于容错夹角差阈值angT的目标夹角差，因此该匹配点对为正确的匹配点对，可作为目标匹配点对。
如此，可以消除误匹配点对，获得正确的目标匹配点对，提高特征点匹配结果的准确性和鲁棒性。
示例性设备
如图7中所示，对应于上述特征点匹配方法，本发明实施例还提供一种特征点匹配装置，上述特征点匹配装置包括：
图像获取模块610，用于获取模板图像和待匹配图像。
其中，上述模板图像和待匹配图像为用于进行特征点匹配的图像。本实施例中，上述模板图像和待匹配为包含生物特征信息，用于进行生物身份认证的图像，例如用户的手部图像。具体的，上述模板图像为预先设定的包含对应用户身份信息的图像，上述待匹配图像为获取的需要与模板图像进行特征点识别以确认用户身份信息的图像。
特征点提取模块620，用于基于上述模板图像和上述待匹配图像，通过特征点提取算法提取特征点。
可选的，可以通过SIFT特征点提取算法，分别提取上述模板图像和上述待匹配图像中的SIFT特征点。具体的，提取获得的特征点对应的信息包括特征点尺度、方向和位置坐标。
特征点匹配模块630，用于通过特征点匹配算法对上述特征点进行匹配，获取匹配点对，其中，每个上述匹配点对包括一个模板特征点和一个待匹配特征点。
可选的，可以通过快速最近邻搜索算法(特征点匹配算法)对上述特征点进行粗匹配。其中，上述模板特征点为位于模板图像中的特征点，上述待匹配特征点为位于待匹配图像中的特征点，每个匹配点对由对应匹配的一个位于模板图像中的特征点和一个位于待匹配图像中的特征点构成。
匹配点对筛选模块640，用于基于上述匹配点对对应的目标夹角差以及预设的容错夹角差阈值对上述匹配点对进行筛选，消除误匹配点对，获取目标匹配点对。
其中，上述匹配点对对应的目标夹角差为上述匹配点对中，模板特征点与对应的模板目标点之间的夹角减去待匹配特征点与对应的待匹配目标点之间的夹角后的绝对值。其中，上述模板目标点为与模板图像对应的用于计算夹角的目标点，上述待匹配目标点为与待匹配图像对应的用于计算夹角的目标点，可以根据各匹配点对计算获得，也可以预先设置，在此不做具体限定。上述预设的容错夹角差阈值为预先设置的夹角差临界值，可以根据实际需求进行设置和调整，在此不做具体限定。
输出模块650，用于输出上述目标匹配点对。
由上可见，本发明实施例提供的特征点匹配装置通过图像获取模块610获取模板图像和待匹配图像；通过特征点提取模块620基于上述模板图像和上述待匹配图像，通过特征点提取算法提取特征点；通过特征点匹配模块630通过特征点匹配算法对上述特征点进行匹配，获取匹配点对，其中，每个上述匹配点对包括一个模板特征点和一个待匹配特征点；通过匹配点对筛选模块640基于上述匹配点对对应的目标夹角差以及预设的容错夹角差阈值对上述匹配点对进行筛选，消除误匹配点对，获取目标匹配点对；通过输出模块650输出上述目标匹配点对。与现有技术相比，本发明方案在对特征点进行匹配并获取匹配点对后，还基于匹配点对对应的目标夹角差以及预设的容错夹角差阈值对上述匹配点对进行筛选，消除误匹配点对，获取正确匹配的目标匹配点对，有利于提升特征点匹配的精度。
具体的，本实施例中，上述特征点提取模块620具体用于：获取增强参数，基于上述增强参数，通过限制对比度自适应直方图均衡化算法分别对上述模板图像和待匹配图像进行增强处理，获取增强模板图像和增强待匹配图像；基于上述增强模板图像和增强待匹配图像，通过特征点提取算法提取特征点。
单独的一副模板图像和待匹配图像中可以检测提取的特征点数目较少，从而不利于进行特征点匹配，也不利于根据匹配结果判断用户身份(匹配点对过少，用户身份的判断结果准确性不高)。例如，当模板图像和待匹配图像是手部图像时，根据现有的特征点提取算法，可提取的特征点数目较少，能够匹配的特征点更少，同时也会存在误匹配的情况，严重影响匹配的准确度和鲁棒性。因此，可以通过限制对比度自适应直方图均衡化算法分别对上述模板图像和待匹配图像进行增强处理，以提高可提取且可用于进行匹配的特征点的数目。
具体的，本实施例中，上述特征点提取模块620还具体用于：获取n组增强参数，其中，n为不小于2的整数；基于上述n组增强参数，通过限制对比度自适应直方图均衡化算法分别对上述模板图像和待匹配图像进行增强处理，分别获得n幅与上述模板图像对应的增强图像和n幅与上述待匹配图像对应的增强图像；将每幅与上述模板图像对应的增强图像作为一层图像，获取包含n个分层的增强模板图像；将每幅与上述待匹配图像对应的增强图像作为一层图像，获取包含n个分层的增强待匹配图像。
其中，上述n组增强参数为n组限制对比度自适应直方图均衡化算法的参数，可以预先设置，也可以通过用户输入等方式获取，在此不做具体限定。限制对比度自适应直方图均衡化算法在增强图像的对比度的同时可以抑制噪声，基于n组增强参数可以分别将上述模板图像和待匹配图像进行增强处理，分别获得n幅与上述模板图像对应的增强图像和n幅与上述待匹配图像对应的增强图像，从而获得包含n个分层的增强模板图像和增强待匹配图像，提供更多可以提取和匹配的特征点。其中，对于相对应的每一层(如第i层)，其使用的增强参数也是相对应的，因此可以对于每一层进行特征点匹配。
具体的，本实施例中，上述特征点提取模块620还具体用于：基于上述包含n个分层的增强模板图像和上述包含n个分层的增强待匹配图像，通过SIFT特征点提取算法分别提取获得各层的特征点。从而提取获得更多的特征点，以提高特征点匹配结果的鲁棒性。同时，基于每层提取特征点，以便后续分别对每层进行特征点匹配。
进一步的，本实施例中，上述特征点匹配模块630具体用于：通过特征点匹配算法分别对上述增强模板图像和上述增强待匹配图像各层的特征点进行匹配，获取各层的匹配点对。如此，对每一层的特征点分别进行匹配，提高匹配点对的鲁棒性。
进一步的，本实施例中，上述特征点匹配点对筛选模块640具体用于：对上述匹配点对进行分组；计算每组中模板特征点的坐标的中心点，获取模板目标点，计算每组中待匹配特征点的坐标的中心点，获取待匹配目标点；基于上述模板目标点和上述待匹配目标点计算获取各上述匹配点对的目标夹角差；将上述目标夹角差大于或等于预设的容错夹角差阈值的匹配点对作为误匹配点对并消除，将上述目标夹角差小于预设的容错夹角差阈值的匹配点对作为目标匹配点对。
其中，上述目标夹角差为上述匹配点对中，模板特征点与对应的模板目标点之间的夹角减去待匹配特征点与对应的待匹配目标点之间的夹角后的绝对值。具体的，上述对匹配点对进行分组的数目可以根据实际需求设定和调整，例如预先设置分组参数r，从而将匹配点对分为r组，分别获取r个模板目标点和r个待匹配目标点。
具体的，本实施例中，上述特征点匹配点对筛选模块640还具体用于：对于各上述匹配点对，分别计算上述匹配点对的模板特征点与任意两个上述模板目标点的夹角，计算上述匹配点对的待匹配特征点与对应的两个上述待匹配目标点的夹角，计算两个夹角的差的绝对值，作为上述目标夹角差。具体的，对于某一个匹配点对，计算该匹配点对的模板特征点与上述r个模板目标点中任意两个模板目标点的夹角，计算该匹配点对的待匹配特征点与上述r个待匹配目标点中对应的两个待匹配目标点的夹角，计算两个夹角差的绝对值，作为一个目标夹角差。可选的，计算过程中，以对应的模板目标点或待匹配目标点作为夹角的顶点。当对于任意两个模板目标点及对应的待匹配目标点，都有目标夹角差小于预设的容错夹角差阈值时，认为该匹配点对是正确的匹配点对，作为目标匹配点，反之，则认为该匹配点对是误匹配点对，需要消除，以提高特征点匹配的准确性和鲁棒性。
可选的，还可以结合Sampson距离对匹配点对进行判断。具体的，计算该匹配点对中模板特征点和待匹配特征点的Sampson距离。当对应的Sampson距离小于预设的距离阈值，且对于任意两个模板目标点及对应的待匹配目标点，都有目标夹角差小于预设的容错夹角差阈值时，认为该匹配点对是正确的匹配点对，作为目标匹配点，反之，则认为该匹配点对是误匹配点对，需要消除。其中，上述预设的距离阈值为预先设置的Sampson距离的临界值，可以根据实际需求进行设置和调整，在此不做具体限定。如此，结合Sampson距离和目标夹角差对误匹配点对进行消除，可同时消除位置变化明显或距离变化较大的误匹配点对，有效提高特征点匹配的准确性和鲁棒性。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图8所示。上述智能终端包括通过系统总线连接的处理器、存储器、网络接口以及显示屏。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和特征点匹配程序。该内存储器为非易失性存储介质中的操作系统和特征点匹配程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该特征点匹配程序被处理器执行时实现上述任意一种特征点匹配方法的步骤。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解，图8中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的特征点匹配程序，上述特征点匹配程序被上述处理器执行时进行以下操作指令：
获取模板图像和待匹配图像；
基于上述模板图像和上述待匹配图像，通过特征点提取算法提取特征点；
通过特征点匹配算法对上述特征点进行匹配，获取匹配点对，其中，每个上述匹配点对包括一个模板特征点和一个待匹配特征点；
基于上述匹配点对对应的目标夹角差以及预设的容错夹角差阈值对上述匹配点对进行筛选，消除误匹配点对，获取目标匹配点对；
输出上述目标匹配点对。
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (8)

1.一种特征点匹配方法，其特征在于，所述方法包括：
获取模板图像和待匹配图像；
基于所述模板图像和所述待匹配图像，通过特征点提取算法提取特征点；
通过特征点匹配算法对所述特征点进行匹配，获取匹配点对，其中，每个所述匹配点对包括一个模板特征点和一个待匹配特征点，在所述通过特征点匹配算法对所述特征点进行匹配时，采用分层策略，通过所述特征点匹配算法对每层的特征点单独进行粗匹配，增加图像层数、特征点数量和有效的匹配点对的数量；
基于所述匹配点对对应的目标夹角差以及预设的容错夹角差阈值对所述匹配点对进行筛选，消除误匹配点对，获取目标匹配点对；
所述基于所述匹配点对对应的目标夹角差以及预设的容错夹角差阈值对所述匹配点对进行筛选，消除误匹配点对，获取目标匹配点对，包括：
对所述匹配点对进行分组；
计算每组中模板特征点的坐标的中心点，获取模板目标点，计算每组中待匹配特征点的坐标的中心点，获取待匹配目标点；
对于各所述匹配点对，分别计算所述匹配点对的模板特征点与任意两个所述模板目标点的夹角，计算所述匹配点对的待匹配特征点与对应的两个所述待匹配目标点的夹角，计算两个夹角的差的绝对值，作为所述目标夹角差；
结合Sampson距离和所述目标夹角差对误匹配点对进行消除，包括：计算所述匹配点对中模板特征点和待匹配特征点的Sampson距离，当所述Sampson距离小于预设的距离阈值，且对于任意两个所述模板目标点及对应的待匹配目标点，都有当所述目标夹角差小于预设的容错夹角差阈值时，将该匹配点对作为所述目标匹配点对，反之，将该匹配点对作为误匹配点对并消除，其中，所述预设的距离阈值为预先设置的Sampson距离的临界值；
输出所述目标匹配点对。
2.根据权利要求1所述的特征点匹配方法，其特征在于，所述基于所述模板图像和所述待匹配图像，通过特征点提取算法提取特征点，包括：
获取增强参数，基于所述增强参数，通过限制对比度自适应直方图均衡化算法分别对所述模板图像和待匹配图像进行增强处理，获取增强模板图像和增强待匹配图像；
基于所述增强模板图像和增强待匹配图像，通过特征点提取算法提取特征点。
3.根据权利要求2所述的特征点匹配方法，其特征在于，所述获取增强参数，基于所述增强参数，通过限制对比度自适应直方图均衡化算法分别对所述模板图像和待匹配图像进行增强处理，获取增强模板图像和增强待匹配图像，包括：
获取n组增强参数，其中，n为不小于2的整数；
基于所述n组增强参数，通过限制对比度自适应直方图均衡化算法分别对所述模板图像和待匹配图像进行增强处理，分别获得n幅与所述模板图像对应的增强图像和n幅与所述待匹配图像对应的增强图像；
将每幅与所述模板图像对应的增强图像作为一层图像，获取包含n个分层的增强模板图像；
将每幅与所述待匹配图像对应的增强图像作为一层图像，获取包含n个分层的增强待匹配图像。
4.根据权利要求3所述的特征点匹配方法，其特征在于，所述基于所述增强模板图像和增强待匹配图像，通过特征点提取算法提取特征点，包括：
基于所述包含n个分层的增强模板图像和所述包含n个分层的增强待匹配图像，通过SIFT特征点提取算法分别提取获得各层的特征点。
5.根据权利要求4所述的特征点匹配方法，其特征在于，所述通过特征点匹配算法对所述特征点进行匹配，获取匹配点对，包括：
通过特征点匹配算法分别对所述增强模板图像和所述增强待匹配图像各层的特征点进行匹配，获取各层的匹配点对。
6.一种特征点匹配装置，其特征在于，所述装置包括：
图像获取模块，用于获取模板图像和待匹配图像；
特征点提取模块，用于基于所述模板图像和所述待匹配图像，通过特征点提取算法提取特征点；
特征点匹配模块，用于通过特征点匹配算法对所述特征点进行匹配，获取匹配点对，其中，每个所述匹配点对包括一个模板特征点和一个待匹配特征点，在所述通过特征点匹配算法对所述特征点进行匹配时，采用分层策略，通过所述特征点匹配算法对每层的特征点单独进行粗匹配，增加图像层数、特征点数量和有效的匹配点对的数量；
匹配点对筛选模块，用于基于所述匹配点对对应的目标夹角差以及预设的容错夹角差阈值对所述匹配点对进行筛选，消除误匹配点对，获取目标匹配点对；
所述基于所述匹配点对对应的目标夹角差以及预设的容错夹角差阈值对所述匹配点对进行筛选，消除误匹配点对，获取目标匹配点对，包括：
对所述匹配点对进行分组；
计算每组中模板特征点的坐标的中心点，获取模板目标点，计算每组中待匹配特征点的坐标的中心点，获取待匹配目标点；
对于各所述匹配点对，分别计算所述匹配点对的模板特征点与任意两个所述模板目标点的夹角，计算所述匹配点对的待匹配特征点与对应的两个所述待匹配目标点的夹角，计算两个夹角的差的绝对值，作为所述目标夹角差；
结合Sampson距离和所述目标夹角差对误匹配点对进行消除，包括：计算所述匹配点对中模板特征点和待匹配特征点的Sampson距离，当所述Sampson距离小于预设的距离阈值，且对于任意两个所述模板目标点及对应的待匹配目标点，都有当所述目标夹角差小于预设的容错夹角差阈值时，将该匹配点对作为所述目标匹配点对，反之，将该匹配点对作为误匹配点对并消除，其中，所述预设的距离阈值为预先设置的Sampson距离的临界值；
输出模块，用于输出所述目标匹配点对。
7.一种智能终端，其特征在于，所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的特征点匹配程序，所述特征点匹配程序被所述处理器执行时实现如权利要求1-5任意一项所述特征点匹配方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有特征点匹配程序，所述特征点匹配程序被处理器执行时实现如权利要求1-5任意一项所述特征点匹配方法的步骤。
CN202110216657.1A 2021-02-26 2021-02-26 特征点匹配方法、装置、智能终端及计算机可读存储介质 Active CN112819095B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110216657.1A CN112819095B (zh) 2021-02-26 2021-02-26 特征点匹配方法、装置、智能终端及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110216657.1A CN112819095B (zh) 2021-02-26 2021-02-26 特征点匹配方法、装置、智能终端及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112819095A CN112819095A (zh) 2021-05-18
CN112819095B true CN112819095B (zh) 2023-04-18

Family

ID=75864040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110216657.1A Active CN112819095B (zh) 2021-02-26 2021-02-26 特征点匹配方法、装置、智能终端及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112819095B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933389A (zh) * 2014-03-18 2015-09-23 北京思而得科技有限公司 一种基于指静脉的身份识别装置及方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105426821B (zh) * 2015-11-04 2018-09-07 浙江工业大学 一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法
CN106709500B (zh) * 2015-11-13 2021-12-03 国网辽宁省电力有限公司检修分公司 一种图像特征匹配的方法
CN108022228A (zh) * 2016-10-31 2018-05-11 天津工业大学 基于SIFT变换和Otsu匹配的彩色眼底图像拼接方法
CN109165657A (zh) * 2018-08-20 2019-01-08 贵州宜行智通科技有限公司 一种基于改进sift的图像特征检测方法及装置
CN109685838B (zh) * 2018-12-10 2023-06-09 上海航天控制技术研究所 基于超像素分割的图像弹性配准方法
CN109785371A (zh) * 2018-12-19 2019-05-21 昆明理工大学 一种基于归一化互相关和sift的太阳图像配准方法
CN109712203B (zh) * 2018-12-29 2020-11-17 福建帝视信息科技有限公司 一种基于自注意力生成对抗网络的图像着色方法
CN110246168A (zh) * 2019-06-19 2019-09-17 中国矿业大学 一种移动巡检机器人双目图像拼接的特征匹配方法
CN111553241B (zh) * 2020-04-24 2024-05-07 平安科技（深圳）有限公司 掌纹的误匹配点剔除方法、装置、设备及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933389A (zh) * 2014-03-18 2015-09-23 北京思而得科技有限公司 一种基于指静脉的身份识别装置及方法

Also Published As

Publication number Publication date
CN112819095A (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
JP2894113B2 (ja) 画像クラスタリング装置
CN109272016B (zh) 目标检测方法、装置、终端设备和计算机可读存储介质
CN102667810B (zh) 数字图像中的面部识别
CN111612841B (zh) 目标定位方法及装置、移动机器人及可读存储介质
US8254644B2 (en) Method, apparatus, and program for detecting facial characteristic points
CN108596197A (zh) 一种印章匹配方法及装置
EP1966760A2 (en) Automatic 3-d object detection
CN110852311A (zh) 一种三维人手关键点定位方法及装置
CN111611934A (zh) 一种人脸检测模型生成和人脸检测方法、装置及设备
CN109934180A (zh) 指纹识别方法及相关装置
CN112085701A (zh) 一种人脸模糊度检测方法、装置、终端设备及存储介质
CN112651321A (zh) 档案处理方法、装置及服务器
KR20170081822A (ko) 생체 정보를 이용한 인증 방법 및 장치
CN112819095B (zh) 特征点匹配方法、装置、智能终端及计算机可读存储介质
CN108647640A (zh) 人脸识别的方法及电子设备
CN112818774A (zh) 一种活体检测方法及装置
CN115761213A (zh) 目标检测方法及相关装置、电子设备、存储介质
CN113051901B (zh) 一种身份证文本识别方法、系统、介质及电子终端
CN112633369B (zh) 图像匹配方法、装置、电子设备、计算机可读存储介质
CN112446428B (zh) 一种图像数据处理方法及装置
CN113793372A (zh) 异源图像的优化配准方法及系统
CN113888428A (zh) 一种基于局部对比度的红外弱小目标检测方法及装置
CN112749576A (zh) 图像识别方法和装置、计算设备以及计算机存储介质
CN111967579A (zh) 使用卷积神经网络对图像进行卷积计算的方法和装置
CN106846341B (zh) 一种船体复杂外板点云区域生长阈值确定方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant